CN115018009B - 对象描述方法、网络模型的训练方法及装置 - Google Patents
对象描述方法、网络模型的训练方法及装置 Download PDFInfo
- Publication number
- CN115018009B CN115018009B CN202210807314.7A CN202210807314A CN115018009B CN 115018009 B CN115018009 B CN 115018009B CN 202210807314 A CN202210807314 A CN 202210807314A CN 115018009 B CN115018009 B CN 115018009B
- Authority
- CN
- China
- Prior art keywords
- description
- feature
- target
- candidate
- aggregation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012549 training Methods 0.000 title abstract description 32
- 230000002776 aggregation Effects 0.000 claims abstract description 75
- 238000004220 aggregation Methods 0.000 claims abstract description 75
- 238000012545 processing Methods 0.000 claims description 118
- 230000009466 transformation Effects 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 16
- 230000004931 aggregating effect Effects 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 48
- 230000006870 function Effects 0.000 description 30
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000003993 interaction Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 238000012098 association analyses Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24553—Query execution of query operations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种对象描述方法、网络模型的训练方法及装置、设备、介质和产品,涉及人工智能技术领域,尤其涉及图神经网络、智能办公和智能搜索技术等领域。具体实现方案包括:确定目标对象的第一描述特征和至少一个候选对象中的各候选对象的第二描述特征;根据第一描述特征和第二描述特征,确定针对目标对象的聚合描述特征;以及基于聚合描述特征,得到目标对象的对象描述结果,目标对象与各候选对象之间具有关联关系。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及图神经网络、智能办公和智能搜索技术等领域,具体涉及一种对象描述方法、网络模型的训练方法及装置。
背景技术
对象描述在对象匹配、对象分类、信息推荐等场景中有着广泛应用。但是,在一些场景下,对象描述过程存在准确性不佳、描述效率低的现象。
发明内容
本公开提供了一种对象描述方法、网络模型的训练方法及装置、设备、介质和产品。
根据本公开的一方面,提供了一种对象描述方法,包括:确定目标对象的第一描述特征和至少一个候选对象中的各所述候选对象的第二描述特征;根据所述第一描述特征和所述第二描述特征,确定针对所述目标对象的聚合描述特征;以及基于所述聚合描述特征,得到所述目标对象的对象描述结果,其中,所述目标对象与各所述候选对象之间具有关联关系。
根据本公开的另一方面,提供了一种网络模型的训练方法,包括:根据包括目标样本节点的对象关系网络,确定与所述目标样本节点对应的至少一个正样本节点和至少一个负样本节点;确定待处理样本节点的样本描述特征,所述待处理样本节点包括所述目标样本节点、所述至少一个正样本节点和所述至少一个负样本节点;将所述待处理样本节点的样本描述特征和与所述待处理样本节点具有关联关系的至少一个候选样本节点的样本描述特征,作为待训练的目标网络模型的输入数据,得到所述待处理样本节点的聚合样本描述特征;以及根据分别与所述目标样本节点、所述至少一个正样本节点和所述至少一个负样本节点对应的聚合样本描述特征,调整所述待训练的目标网络模型的模型参数,得到经训练的目标网络模型,其中,所述目标样本节点与各所述正样本节点之间具有关联关系。
根据本公开的另一方面,提供了一种对象描述装置,包括:第一处理模块,用于确定目标对象的第一描述特征和至少一个候选对象中的各所述候选对象的第二描述特征;第二处理模块,用于根据所述第一描述特征和所述第二描述特征,确定针对所述目标对象的聚合描述特征;以及第三处理模块,用于基于所述聚合描述特征,得到所述目标对象的对象描述结果,其中,所述目标对象与各所述候选对象之间具有关联关系。
根据本公开的另一方面,提供了一种网络模型的训练装置,包括:第六处理模块,用于根据包括目标样本节点的对象关系网络,确定与所述目标样本节点对应的至少一个正样本节点和至少一个负样本节点;第七处理模块,用于确定待处理样本节点的样本描述特征,所述待处理样本节点包括所述目标样本节点、所述至少一个正样本节点和所述至少一个负样本节点;第八处理模块,用于将所述待处理样本节点的样本描述特征和与所述待处理样本节点具有关联关系的至少一个候选样本节点的样本描述特征,作为待训练的目标网络模型的输入数据,得到所述待处理样本节点的聚合样本描述特征;以及第九处理模块,用于根据分别与所述目标样本节点、所述至少一个正样本节点和所述至少一个负样本节点对应的聚合样本描述特征,调整所述待训练的目标网络模型的模型参数,得到经训练的目标网络模型,其中,所述目标样本节点与各所述正样本节点之间具有关联关系。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器和与所述至少一个处理器通信连接的存储器。其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的对象描述方法或者网络模型的训练方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行上述的对象描述方法或者网络模型的训练方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述的对象描述方法或者网络模型的训练方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1示意性示出了根据本公开一实施例的对象描述方法和装置的***架构;
图2示意性示出了根据本公开一实施例的对象描述方法的流程图;
图3示意性示出了根据本公开又一实施例的对象描述方法的流程图;
图4示意性示出了根据本公开一实施例的网络模型的训练方法的流程图;
图5示意性示出了根据本公开一实施例的网络模型的训练过程的示意图;
图6示意性示出了根据本公开一实施例的对象描述装置的框图;
图7示意性示出了根据本公开一实施例的网络模型的训练装置的框图;
图8示意性示出了根据本公开实施例的用于对象描述的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等)。
本公开的实施例提供了一种对象描述方法。本实施例方法包括:确定目标对象的第一描述特征和至少一个候选对象中的各候选对象的第二描述特征,根据第一描述特征和第二描述特征,确定针对目标对象的聚合描述特征,以及基于聚合描述特征,得到目标对象的对象描述结果,目标对象与各候选对象之间具有关联关系。
图1示意性示出了根据本公开一实施例的对象描述方法和装置的***架构。需要注意的是,图1所示仅为可以应用本公开实施例的***架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、***、环境或场景。
根据该实施例的***架构100可以包括请求终端101、网络102和服务器103。网络102用于在请求终端101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。服务器103可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或分布式***,还可以是提供云服务、云计算、网络服务、中间件服务等基础云计算服务的云服务器。
请求终端101通过网络102与服务器103进行交互,以接收或发送数据等。请求终端101例如用于向服务器103发起对象描述请求,请求终端101例如还用于向服务器103发送目标对象的对象描述数据,对象描述数据可以包括目标对象的对象画像数据,以及包括目标对象与其他对象之间的关联关系数据,关联关系数据例如可以包括属性关联数据和交互关联数据。
服务器103可以是提供各种服务的服务器,例如可以是根据由请求终端101发送的对象描述请求进行对象描述处理的后台处理服务器(仅为示例)。
例如,服务器103响应于自请求终端101获取的对象描述请求,确定目标对象的第一描述特征和至少一个候选对象中的各候选对象的第二描述特征,根据第一描述特征和第二描述特征,确定针对目标对象的聚合描述特征,以及基于聚合描述特征,得到目标对象的对象描述结果,目标对象与各候选对象之间具有关联关系。
需要说明的是,本公开实施例所提供的对象描述方法可以由服务器103执行。相应地,本公开实施例所提供的对象描述装置可以设置于服务器103中。本公开实施例所提供的对象描述方法也可以由不同于服务器103且能够与请求终端101和/或服务器103通信的服务器或服务器集群执行。相应地,本公开实施例所提供的对象描述装置也可以设置于不同于服务器103且能够与请求终端101和/或服务器103通信的服务器或服务器集群中。
应该理解,图1中的请求终端、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的请求终端、网络和服务器。
本公开实施例提供了一种对象描述方法,下面结合图1的***架构,参考图2~图3来描述根据本公开示例性实施方式的对象描述方法。本公开实施例的对象描述方法例如可以由图1所示的服务器103来执行。
图2示意性示出了根据本公开一实施例的对象描述方法的流程图。
如图2所示,本公开实施例的对象描述方法200例如可以包括操作S210~操作S230。
在操作S210,确定目标对象的第一描述特征和至少一个候选对象中的各候选对象的第二描述特征。
在操作S220,根据第一描述特征和第二描述特征,确定针对目标对象的聚合描述特征。
在操作S230,基于聚合描述特征,得到目标对象的对象描述结果,目标对象与各候选对象之间具有关联关系。
下面示例说明本实施例的对象描述方法的各操作示例流程。
示例性地,可以根据对象描述数据,确定目标对象的第一描述特征,以及确定与目标对象具有关联关系的至少一个候选对象的第二描述特征。例如,针对目标对象的对象描述数据可以包括目标对象的对象画像数据,以及包括目标对象与其他对象之间的关联关系数据。
对象描述数据可以是通过各种公开、合法合规的方式获取的,例如可以从公开数据集处获取,或者在获得与对象描述数据关联的用户授权之后由数据采集端获取。对象描述数据并不是针对某一特定用户的场景数据,并不能反映某一特定用户的个人信息。对象描述数据的应用范围限于用户具有知情权并已授权使用的范围。
一种示例方式,根据包括目标节点的对象关系网络,确定与目标节点对应的至少一个邻接节点。将至少一个邻接节点中的各邻接节点所表征的对象,作为与目标对象具有关联关系的候选对象。
根据基于目标节点的对象关系网络,确定与目标对象具有关联关系的至少一个候选对象,可以有效保证候选对象的筛选效率及合理性,有利于提升目标对象描述的描述精度。
对象关系网络包括表征对象的多个节点以及表征多个节点之间的关联关系的边。目标节点配置为用于表征目标对象,与目标节点对应的邻接节点可以是通过边与目标节点相连的节点,也即目标节点的邻居节点。对象关系网络例如可以是异构图网络,异构图网络中的任意节点可由该节点与其他节点之间的连接关系来确定。
可以基于对象描述数据,确定目标对象的至少一个第一初始描述特征,根据至少一个第一初始描述特征,确定目标对象的第一描述特征。以及,确定至少一个候选对象中的各候选对象的至少一个第二初始描述特征,根据至少一个第二初始描述特征,确定各候选对象的第二描述特征。
示例性地,基于对象描述数据,确定目标对象的至少一个第一初始描述特征。根据各第一初始描述特征的特征类型对应的注意力权重,对至少一个第一初始描述特征进行聚合,得到第一聚合结果。以及,基于第一聚合结果,得到目标对象的第一描述特征。至少一个第一初始描述特征包括目标对象的对象画像特征和目标对象与其他对象之间的关联关系特征。
基于对象描述数据,确定至少一个候选对象的至少一个第二初始描述特征。根据各第二初始描述特征的特征类型对应的注意力权重,对至少一个第二初始描述特征进行聚合,得到第二聚合结果。以及,基于第二聚合结果,得到至少一个候选对象的第二描述特征。至少一个第二初始描述特征包括至少一个候选对象的对象画像特征和至少一个候选对象与其他对象之间的关联关系特征。
第一描述特征和第二描述特征中融合有丰富的对象描述特征,有利于为目标对象描述提供可信的数据支持,有利于提升目标对象描述的描述精度及描述效率。
待处理对象可以分为个体对象和群组对象。待处理对象的对象画像特征可以包括属性画像特征和行为画像特征中的至少之一。待处理对象与其他对象之间的关联关系特征可以包括属性关联特征和交互关联特征中的至少之一。
以待处理对象为个体对象为例进行说明,个体对象的属性画像特征例如可以包括个体对象姓名、个体对象所属部门等内容。个体对象的行为画像特征例如可以包括个体对象的历史搜索行为、个体对象所提交的任务数据等内容。以待处理对象为群组对象为例进行说明,群组对象的属性画像特征例如可以包括群组对象标签、群组对象名称等内容。
个体对象之间可以具有交互关联特征,交互关联特征例如可以包括通信行为信息、共事行为信息等内容。个体对象与群组对象之间可以具有属性关联特征,属性关联特征例如可以指示个体对象为群组对象中的成员。
根据目标对象的第一描述特征和至少一个候选对象的第二描述特征,确定针对目标对象的聚合描述特征。基于聚合描述特征,确定针对目标对象的对象描述结果。示例性地,可以对聚合描述特征进行卷积处理,得到针对目标对象的目标向量表示,以作为对象描述结果。
通过本公开实施例,确定目标对象的第一描述特征和至少一个候选对象的第二描述特征,根据第一描述特征和各第二描述特征,确定针对目标对象的聚合描述特征,以及基于聚合描述特征,得到目标对象的对象描述结果,能够有效提升目标对象描述的描述精度,能够有效改善对象描述效率,以及有效降低对象描述成本,有利于为对象搜索、关系链确定、关联分析、聚类分类、对象可视化等下游应用提供可信的数据支持。
图3示意性示出了根据本公开另一实施例的对象描述方法的流程图。
如图3所示,本公开实施例的对象描述方法300例如可以包括操作S210、操作S310以及操作S230。
在操作S210,确定目标对象的第一描述特征和至少一个候选对象中的各候选对象的第二描述特征。
在操作S310,对第一描述特征和各候选对象的第二描述特征分别进行线性变换处理,得到至少一个中间描述特征,以及对至少一个中间描述特征进行聚合,得到针对目标对象的聚合描述特征。
在操作S230,基于聚合描述特征,得到目标对象的对象描述结果,目标对象与各候选对象之间具有关联关系。
下面示例说明本实施例的对象描述方法的各操作的示例流程。
示例性地,对第一描述特征和各候选对象的第二描述特征分别进行线性变换处理,得到至少一个中间描述特征。线性变换处理可实现将对应描述特征映射至与对象类型匹配的统一向量空间中。对象类型例如可以包括个体对象类型和群组对象类型。例如,可以基于线性整流函数进行线性变换处理,线性整流函数例如可采用斜坡函数或带泄露整流函数实现,本实施例对此不进行限定。
一种示例方式,可以对第一描述特征进行第一线性变换处理,得到与目标对象对应的第一中间描述特征。对第二描述特征分别进行第二线性变换处理和第三线性变换处理,得到与候选对象对应的第二中间描述特征和第三中间描述特征。
可以计算第一中间描述特征和各第二中间描述特征之间的相似度,得到与各候选对象对应的注意力评估值。将与各候选对象对应的注意力评估值和对应的第三中间描述特征进行加权求和,得到加权求和结果。基于加权求和结果,得到针对目标对象的聚合描述特征。
通过对第一描述特征和各候选对象的第二描述特征进行线性变换处理,可以将多维度描述特征映射到统一向量空间,可以有效提升描述特征聚合的聚合速度,有利于降低异构图学习的硬件设备要求,以及有利于改善目标对象描述的描述效率。
示例性地,可以将加权求和结果,作为针对目标对象的聚合描述特征。也可以将加权求和结果,作为针对目标对象的初始聚合描述特征。基于预设的残差连接矩阵,对初始聚合描述特征进行加权求积,得到加权求积结果。对第一中间描述特征和加权求积结果进行求和,得到针对目标对象的聚合描述特征。对聚合描述特征进行卷积处理,得到针对目标对象的目标向量表示,以作为对象描述结果。
初始聚合描述特征例如可由描述特征向量进行表征,预设的残差连接矩阵例如可以是残差连接的加权矩阵。通过引入残差连接,将残差连接作为一种补充来突出特定类型的初始聚合描述特征。获取残差连接矩阵与初始聚合描述特征的乘积,以及将乘积输入线性整流函数,得到加权求积结果,加权求积结果例如可由加权后的描述特征向量进行表征。
例如,可以通过公式yself=Relu(Wself·hk)计算加权求积结果,Wself表示残差连接的加权矩阵,hk表示目标对象的初始聚合描述特征,Relu表示线性整流函数,加权求积结果yself表示针对目标对象的聚合描述特征,加权求积结果yself例如可由加权后的描述特征向量进行表征。
一种示例方式,可以根据目标对象的对象描述结果和至少一个其他对象的对象描述结果,确定目标对象与各其他对象之间的匹配度。将对应匹配度满足预设匹配条件的其他对象,作为针对目标对象的对象匹配结果。根据至少一个对象的对象描述结果,确定针对目标对象的对象匹配结果,可以有效提升对象匹配的匹配效率和匹配精度。
通过本公开实施例,对目标对象的第一描述特征和各候选对象的第二描述特征进行线性变换处理,得到至少一个中间描述特征,以及对至少一个中间描述特征进行聚合,得到针对目标对象的聚合描述特征。通过充分利用目标对象与各候选对象的对象描述特征,以及充分利用目标对象与各候选对象之间的关联关系,可以有效保证目标对象描述的准确性,有利于提升目标对象描述的描述效率和泛化能力。
图4示意性示出了根据本公开一实施例的网络模型的训练方法的流程图。
如图4所示,训练方法400例如可以包括操作S410~S440。
在操作S410,根据包括目标样本节点的对象关系网络,确定与目标样本节点对应的至少一个正样本节点和至少一个负样本节点。
在操作S420,确定待处理样本节点的样本描述特征,待处理样本节点包括目标样本节点、至少一个正样本节点和至少一个负样本节点。
在操作S430,将待处理样本节点的样本描述特征和与待处理样本节点具有关联关系的至少一个候选样本节点的样本描述特征,作为待训练的目标网络模型的输入数据,得到待处理样本节点的聚合样本描述特征。
在操作S440,根据分别与目标样本节点、至少一个正样本节点和至少一个负样本节点对应的聚合样本描述特征,调整待训练的目标网络模型的模型参数,得到经训练的目标网络模型。
下面示例说明本实施例的模型训练方法的各操作的示例流程。
示例性地,待训练的目标网络模型例如可以是图神经网络模型。图神经网络模型可以将图数据(可以理解为高维稠密矩阵)映射为低维稠密向量。通过学习图数据的结构特征以及节点之间的邻接关系,实现将节点映射为等维度向量,可以为下游的聚类分类、关联分析、可视化任务等应用提供数据支持。
根据包括目标样本节点的对象关系网络,确定与目标样本节点对应的至少一个正样本节点和至少一个负样本节点。对象关系网络例如可以是包括目标样本节点的嵌入图数据。目标样本节点为至少一个样本节点中的任意节点,目标样本节点与各正样本节点之间具有关联关系,关联关系可以包括属性关联关系和交互关联关系中的至少之一。
一种示例方式,可以采用随机游走方式,以目标样本节点为起始节点,确定对象关系网络中各样本节点与目标样本节点之间的关联度。将关联度高于预设阈值的样本节点,作为与目标样本节点对应的正样本节点。正样本节点例如可以是对象关系网络中与目标样本节点相连的样本节点,即为目标样本节点的邻居样本节点。
可以确定待处理样本节点的至少一个初始样本描述特征,待处理样本节点包括目标样本节点、至少一个正样本节点和至少一个负样本节点。根据各初始样本描述特征的特征类型对应的注意力权重,对至少一个初始样本描述特征进行聚合,得到待处理样本节点的样本描述特征。
至少一个初始样本描述特征可以包括待处理样本节点的节点画像特征,以及包括待处理样本节点与其他样本节点之间的关联关系特征,关联关系特征可以包括属性关联特征和交互关联特征中的至少之一。
可以将待处理样本节点的样本描述特征和与待处理样本节点具有关联关系的至少一个候选样本节点的样本描述特征,作为待训练的目标网络模型的输入数据,得到待处理样本节点的聚合样本描述特征。一种示例方式,可以利用待训练的目标网络模型,对待处理样本节点的样本描述特征和各候选样本节点的样本描述特征分别进行线性变换处理,得到至少一个中间样本描述特征。对至少一个中间样本描述特征进行聚合,得到聚合样本描述特征。
示例性地,可以对待处理样本节点的样本描述特征进行第一线性变换处理,得到与待处理样本节点对应的第一中间样本描述特征。对各候选样本节点的样本描述特征进行第二线性变换处理和第三线性变换处理,分别得到与各候选样本节点对应的第二中间样本描述特征和第三中间样本描述特征。
可以计算第一中间样本描述特征和各第二中间样本描述特征之间的相似度,得到与各候选样本节点对应的注意力评估值。将与各候选样本节点对应的注意力评估值和第三中间样本描述特征进行加权求和,得到加权求和结果。基于加权求和结果,得到针对目标样本节点的聚合样本描述特征。
可以根据分别与目标样本节点、至少一个正样本节点和至少一个负样本节点对应的聚合样本描述特征,确定目标损失函数。根据目标损失函数,调整待训练的目标网络模型的模型参数,得到经训练的目标网络模型。
一种示例方式,可以确定目标样本节点的聚合样本描述特征和各正样本节点的聚合样本描述特征之间的第一相似度,基于第一相似度得到第一相似度权重参数。确定目标样本节点的聚合样本描述特征和各负样本节点的聚合样本描述特征之间的第二相似度,基于第二相似度得到第二相似度权重参数。根据第一相似度权重参数和第二相似度权重参数,确定目标损失函数。
目标损失函数可以与第一相似度权重参数呈正相关关系,与第二相似度权重参数呈负相关关系。以提升目标样本节点的聚合样本描述特征和正样本节点的聚合样本描述特征之间的相似度,以及抑制目标样本节点的聚合样本描述特征和负样本节点的聚合样本描述特征之间的相似度为训练目标,调整待训练的目标网络模型的模型参数,得到经训练的目标网络模型。
例如,可以通过式(1)计算目标损失函数L,
zi表示目标样本节点的聚合样本描述特征,zm表示正样本节点的聚合样本描述特征,zn表示负样本节点的聚合样本描述特征,pi表示正样本节点集合,ni表示负样本节点集合,sim(zi,zm)表示目标样本节点的聚合样本描述特征和正样本节点的聚合样本描述特征之间的相似度,sim(zi,zn)表示目标样本节点的聚合样本描述特征和负样本节点的聚合样本描述特征之间的相似度,相似度可以指示对应样本节点之间的距离。
另一示例方式,可以将目标样本节点的聚合样本描述特征作为待训练的目标网络模型的输入数据,得到针对目标样本节点的样本描述结果。例如,可以通过待训练的目标网络模型的卷积层,对目标样本节点的聚合样本描述特征进行卷积处理,得到针对目标样本节点的目标向量表示,以作为样本描述结果。
可以根据第一相似度权重参数和第二相似度权重参数,确定第一损失函数。根据样本描述结果和与目标样本节点关联的预设描述结果标签,确定第二损失函数。对第一损失函数和第二损失函数进行加权求和,得到目标损失函数。
根据分别与目标样本节点、至少一个正样本节点和至少一个负样本节点对应的聚合样本描述特征,确定用于指导模型训练的目标损失函数。可以有效提升目标网络模型的收敛速度,有利于保证网络模型训练的准确性,以及有利于保证经训练的目标网络模型的泛化能力。
一种示例方式,基于经训练的目标网络模型,得到对象描述模型。可以将经训练的目标网络模型,作为对象描述模型,也可以对经训练的目标网络模型进行适应性调整,并将调整后的目标网络模型,作为对象描述模型。对经训练的目标网络模型进行的适应性调整例如可以包括针对模型参数权重、模型结构等内容的调整,本实施例对此不进行限定。
可以将目标对象的第一描述特征和至少一个候选对象的第二描述特征,作为对象描述模型的输入数据,得到针对目标对象的聚合描述特征。以及利用对象描述模型,对目标对象的聚合描述特征进行卷积处理,输出针对目标对象的对象描述结果。利用经训练的目标网络模型,确定针对目标对象的对象描述结果,可以有效提升对象描述效率,以及有效降低对象描述成本。
通过本公开实施例,根据分别与目标样本节点、至少一个正样本节点和至少一个负样本节点对应的聚合样本描述特征,调整待训练的目标网络模型的模型参数,得到经训练的目标网络模型。可以有效提升网络模型训练的收敛速度,以及有效保证经训练的目标网络模型的准确性和泛化性,进而有利于提升对象描述精度,有利于降低对象描述的硬件设备要求,有利于为对象搜索、关系链确定、关联分析、聚类分类、对象可视化等下游应用提供可信的数据支持。
图5示意性示出了根据本公开一实施例的网络模型的训练过程的示意图。
如图5所示,针对目标样本节点51A,根据包括目标样本节点51A的对象关系网络,确定与目标样本节点51A对应的至少一个正样本节点(例如包括正样本节点51B、51C)和至少一个负样本节点(例如包括负样本节点51D、51E)。
确定待处理样本节点的样本描述特征,待处理样本节点包括目标样本节点、至少一个正样本节点和至少一个负样本节点。例如,确定目标样本节点51A的样本描述特征52A,分别确定正样本节点51B、51C的样本描述特征52B、52C,分别确定负样本节点51D、51E的样本描述特征52D、52E。
可以利用待训练的目标网络模型,对待处理样本节点的样本描述特征和各候选样本节点的样本描述特征分别进行线性变换处理,得到至少一个中间样本描述特征。对至少一个中间样本描述特征进行聚合,得到待处理样本节点的聚合样本描述特征。候选样本节点为与待处理样本节点具有关联关系的样本节点,关联关系可以包括属性关联关系和交互关联关系中的至少止一。
以待处理样本节点为目标样本节点51A为例进行说明,对样本描述特征52A进行第一线性变换处理,得到待处理样本节点的第一中间样本描述特征Q。对分别与各候选样本节点对应的样本描述特征52B、52C、52D、52E进行第二线性变换处理,得到第二中间样本描述特征K1、K2、K3、K4。对分别与各候选样本节点对应的样本描述特征52B、52C、52D、52E进行第三线性变换处理,得到第三中间样本描述特征V1、V2、V3、V4。
根据分别与各候选样本节点对应的权重矩阵W1、W2、W3、W4,计算第一中间样本描述特征Q分别与第二中间样本描述特征K1、K2、K3、K4之间的相似度,得到分别与各候选样本节点对应的注意力评估值R1、R2、R3、R4。
可以利用Softmax函数,对注意力评估值R1、R2、R3、R4进行归一化处理。根据分别与各候选样本节点对应的权重矩阵W1′、W2′、W3′、W4′,将分别与各候选样本节点对应的归一化后的注意力评估值R1、R2、R3、R4和第三中间样本描述特征V1、V2、V3、V4进行加权求和,得到加权求和结果A-Linear。
可以利用残差单元ReLu,对加权求和结果A-Linear进行残差处理,并将残差处理结果与样本描述特征52A进行加权求和,得到目标样本节点51A的聚合样本描述特征。
可以利用待训练的目标网络模型的卷积层Layers,对目标样本节点51A的聚合样本描述特征进行卷积处理,得到目标样本节点51A的样本描述结果HL。
可以根据目标样本节点、至少一个正样本节点、至少一个负样本节点的聚合样本描述特征,以及根据目标样本节点的样本描述结果,确定目标损失函数。基于目标损失函数,调整待训练的目标网络模型的模型参数,得到经训练的目标网络模型。可以有效提升网络模型训练的收敛速度,以及有效保证经训练的目标网络模型的准确性和泛化性。
图6示意性示出了根据本公开一实施例的对象描述装置的框图。
如图6所示,本公开实施例的对象描述装置600例如包括第一处理模块610、第二处理模块620和第三处理模块630。
第一处理模块610,用于确定目标对象的第一描述特征和至少一个候选对象中的各候选对象的第二描述特征;第二处理模块620,用于根据第一描述特征和第二描述特征,确定针对目标对象的聚合描述特征;以及第三处理模块630,用于基于聚合描述特征,得到目标对象的对象描述结果,目标对象与各候选对象之间具有关联关系。
通过本公开实施例,确定目标对象的第一描述特征和至少一个候选对象的第二描述特征,根据第一描述特征和各第二描述特征,确定针对目标对象的聚合描述特征,以及基于聚合描述特征,得到目标对象的对象描述结果,能够有效提升目标对象描述的描述精度,能够有效改善对象描述效率,以及有效降低对象描述成本,有利于为对象搜索、关系链确定、关联分析、聚类分类、对象可视化等下游应用提供可信的数据支持。
根据本公开的实施例,该装置还包括第四处理模块,用于:根据包括目标节点的对象关系网络,确定与目标节点对应的至少一个邻接节点;以及将各邻接节点所表征的对象,作为候选对象,目标节点用于表征目标对象,对象关系网络包括表征对象的多个节点以及表征多个节点之间的关联关系的边。
根据本公开的实施例,第二处理模块包括:第一处理子模块,用于对第一描述特征和各候选对象的第二描述特征分别进行线性变换处理,得到至少一个中间描述特征;以及第二处理子模块,用于对至少一个中间描述特征进行聚合,得到聚合描述特征。
根据本公开的实施例,第一处理子模块包括:第一处理单元,用于对第一描述特征进行第一线性变换处理,得到第一中间描述特征,对第二描述特征分别进行第二线性变换处理和第三线性变换处理,得到与候选对象对应的第二中间描述特征和第三中间描述特征;以及第二处理子模块包括:第二处理单元,用于计算第一中间描述特征和各第二中间描述特征之间的相似度,得到与各候选对象对应的注意力评估值;第三处理单元,用于将与各候选对象对应的所述注意力评估值和对应的第三中间描述特征进行加权求和,基于加权求和结果得到聚合描述特征。
根据本公开的实施例,第三处理单元包括:第一处理子单元,用于将与各候选对象对应的注意力评估值和对应的第三中间描述特征进行加权求和,得到初始聚合描述特征;第二处理子单元,用于基于残差连接矩阵,对初始聚合描述特征进行加权求积,得到加权求积结果;以及第三处理子单元,用于根据第一中间描述特征和加权求积结果,得到聚合描述特征。
根据本公开的实施例,第一处理模块包括:第三处理子模块,用于确定目标对象的至少一个第一初始描述特征;根据各第一初始描述特征的特征类型对应的注意力权重,对至少一个第一初始描述特征进行聚合,得到第一聚合结果;以及,基于第一聚合结果得到第一描述特征,其中,至少一个第一初始描述特征包括目标对象的对象画像特征和目标对象与其他对象之间的关联关系特征;第四处理子模块,用于确定至少一个候选对象的至少一个第二初始描述特征;根据各第二初始描述特征的特征类型对应的注意力权重,对至少一个第二初始描述特征进行聚合,得到第二聚合结果;以及,基于第二聚合结果得到第二描述特征,其中,至少一个第二初始描述特征包括至少一个候选对象的对象画像特征和至少一个候选对象与其他对象之间的关联关系特征。
根据本公开的实施例,第三处理模块包括:第五处理子模块,用于对聚合描述特征进行卷积处理,得到针对目标对象的目标向量表示,以作为对象描述结果。
根据本公开的实施例,该装置还包括第五处理模块,用于:根据目标对象的对象描述结果和至少一个其他对象的对象描述结果,确定目标对象与各其他对象之间的匹配度;以及将对应匹配度满足预设匹配条件的其他对象,作为针对目标对象的对象匹配结果。
图7示意性示出了根据本公开一实施例的网络模型的训练装置的框图。
如图7所示,本公开实施例的网络模型的训练装置700例如包括第六处理模块710、第七处理模块720、第八处理模块730和第九处理模块740。
第六处理模块710,用于根据包括目标样本节点的对象关系网络,确定与目标样本节点对应的至少一个正样本节点和至少一个负样本节点;第七处理模块720,用于确定待处理样本节点的样本描述特征,待处理样本节点包括目标样本节点、至少一个正样本节点和至少一个负样本节点;第八处理模块730,用于将待处理样本节点的样本描述特征和与待处理样本节点具有关联关系的至少一个候选样本节点的样本描述特征,作为待训练的目标网络模型的输入数据,得到待处理样本节点的聚合样本描述特征;以及第九处理模块740,用于根据分别与目标样本节点、至少一个正样本节点和至少一个负样本节点对应的聚合样本描述特征,调整待训练的目标网络模型的模型参数,得到经训练的目标网络模型,其中,目标样本节点与各正样本节点之间具有关联关系。
通过本公开实施例,根据分别与目标样本节点、至少一个正样本节点和至少一个负样本节点对应的聚合样本描述特征,调整待训练的目标网络模型的模型参数,得到经训练的目标网络模型。可以有效提升网络模型训练的收敛速度,以及有效保证经训练的目标网络模型的准确性和泛化性,进而有利于提升对象描述精度,有利于降低对象描述的硬件设备要求,有利于为对象搜索、关系链确定、关联分析、聚类分类、对象可视化、对象亲密度分析等下游应用提供可信的数据支持。
根据本公开的实施例,第八处理模块包括:第六处理子模块,用于利用待训练的目标网络模型,对待处理样本节点的样本描述特征和各候选样本节点的样本描述特征分别进行线性变换处理,得到至少一个中间样本描述特征;以及第七处理子模块,用于对至少一个中间样本描述特征进行聚合,得到聚合样本描述特征。
根据本公开的实施例,第九处理模块包括:第八处理子模块,用于确定目标样本节点的聚合样本描述特征和各正样本节点的聚合样本描述特征之间的第一相似度,以及基于第一相似度得到第一相似度权重参数;第九处理子模块,用于确定目标样本节点的聚合样本描述特征和各负样本节点的聚合样本描述特征之间的第二相似度,以及基于第二相似度得到第二相似度权重参数;第十处理子模块,用于根据第一相似度权重参数和第二相似度权重参数,确定目标损失函数;以及第十一处理子模块,用于基于目标损失函数进行网络模型训练,得到经训练的目标网络模型。
根据本公开的实施例,第八处理模块还用于:将目标样本节点的聚合样本描述特征作为待训练的目标网络模型的输入数据,得到针对目标样本节点的样本描述结果;第十处理子模块包括:第四处理单元,用于根据第一相似度权重参数和第二相似度权重参数,确定第一损失函数;第五处理单元,用于根据目标样本节点的样本描述结果和描述结果标签,确定第二损失函数;以及第六处理单元,用于基于第一损失函数和第二损失函数,得到目标损失函数。
应该注意的是,本公开的技术方案中,所涉及的信息收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示意性示出了根据本公开实施例的用于对象描述的电子设备的框图。
图8示出了可以用来实施本公开实施例的示例电子设备800的示意性框图。电子设备800旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行深度学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如对象描述方法。例如,在一些实施例中,对象描述方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的对象描述方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行对象描述方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程模型训练装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与对象的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向对象显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),对象可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与对象的交互;例如,提供给对象的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自对象的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形对象界面或者网络浏览器的对象计算机,对象可以通过该图形对象界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (14)
1.一种对象描述方法,包括:
确定目标对象的第一描述特征和至少一个候选对象中的各所述候选对象的第二描述特征;
根据所述第一描述特征和所述第二描述特征,确定针对所述目标对象的聚合描述特征;以及
基于所述聚合描述特征,得到所述目标对象的对象描述结果,
其中,所述目标对象与各所述候选对象之间具有关联关系,
其中,所述根据所述第一描述特征和所述第二描述特征,确定针对所述目标对象的聚合描述特征,包括:
对所述第一描述特征和各所述候选对象的第二描述特征分别进行线性变换处理,得到至少一个中间描述特征;以及
对所述至少一个中间描述特征进行聚合,得到所述聚合描述特征,
所述对所述第一描述特征和各所述候选对象的第二描述特征分别进行线性变换处理,得到至少一个中间描述特征,包括:
对所述第一描述特征进行第一线性变换处理,得到第一中间描述特征,对所述第二描述特征分别进行第二线性变换处理和第三线性变换处理,得到与所述候选对象对应的第二中间描述特征和第三中间描述特征;以及
所述对所述至少一个中间描述特征进行聚合,得到所述聚合描述特征,包括:
计算所述第一中间描述特征和各所述第二中间描述特征之间的相似度,得到与各所述候选对象对应的注意力评估值;
将与各所述候选对象对应的所述注意力评估值和对应的第三中间描述特征进行加权求和,基于加权求和结果得到所述聚合描述特征。
2.根据权利要求1所述的方法,还包括:
根据包括目标节点的对象关系网络,确定与所述目标节点对应的至少一个邻接节点;以及
将各所述邻接节点所表征的对象,作为所述候选对象,
其中,所述目标节点用于表征所述目标对象,所述对象关系网络包括表征对象的多个节点以及表征所述多个节点之间的关联关系的边。
3.根据权利要求1所述的方法,其中,所述将与各所述候选对象对应的所述注意力评估值和对应的第三中间描述特征进行加权求和,基于加权求和结果得到所述聚合描述特征,包括:
将与各所述候选对象对应的所述注意力评估值和对应的第三中间描述特征进行加权求和,得到初始聚合描述特征;
基于残差连接矩阵,对所述初始聚合描述特征进行加权求积,得到加权求积结果;以及
根据所述第一中间描述特征和所述加权求积结果,得到所述聚合描述特征。
4.根据权利要求2所述的方法,其中,所述确定目标对象的第一描述特征和至少一个候选对象中的各所述候选对象的第二描述特征,包括:
确定目标对象的至少一个第一初始描述特征;根据各所述第一初始描述特征的特征类型对应的注意力权重,对所述至少一个第一初始描述特征进行聚合,得到第一聚合结果;以及,基于所述第一聚合结果得到所述第一描述特征,其中,所述至少一个第一初始描述特征包括所述目标对象的对象画像特征和所述目标对象与所述对象关系网络的节点表征的除所述目标对象之外的其他对象之间的关联关系特征;
确定所述至少一个候选对象的至少一个第二初始描述特征;根据各所述第二初始描述特征的特征类型对应的注意力权重,对所述至少一个第二初始描述特征进行聚合,得到第二聚合结果;以及,基于所述第二聚合结果得到所述第二描述特征,其中,所述至少一个第二初始描述特征包括所述至少一个候选对象的对象画像特征和所述至少一个候选对象与其他对象之间的关联关系特征。
5.根据权利要求1至4中任一项所述的方法,其中,所述基于所述聚合描述特征,得到所述目标对象的对象描述结果,包括:
对所述聚合描述特征进行卷积处理,得到针对所述目标对象的目标向量表示,以作为所述对象描述结果。
6.根据权利要求1所述的方法,还包括:
根据所述目标对象的对象描述结果和至少一个其他对象的对象描述结果,确定所述目标对象与各所述其他对象之间的匹配度;以及
将对应匹配度满足预设匹配条件的其他对象,作为针对所述目标对象的对象匹配结果。
7.一种对象描述装置,包括:
第一处理模块,用于确定目标对象的第一描述特征和至少一个候选对象中的各所述候选对象的第二描述特征;
第二处理模块,用于根据所述第一描述特征和所述第二描述特征,确定针对所述目标对象的聚合描述特征;以及
第三处理模块,用于基于所述聚合描述特征,得到所述目标对象的对象描述结果,
其中,所述目标对象与各所述候选对象之间具有关联关系,
其中,所述第二处理模块包括:
第一处理子模块,用于对所述第一描述特征和各所述候选对象的第二描述特征分别进行线性变换处理,得到至少一个中间描述特征;以及
第二处理子模块,用于对所述至少一个中间描述特征进行聚合,得到所述聚合描述特征,
其中,所述第一处理子模块包括:
第一处理单元,用于对所述第一描述特征进行第一线性变换处理,得到第一中间描述特征,对所述第二描述特征分别进行第二线性变换处理和第三线性变换处理,得到与所述候选对象对应的第二中间描述特征和第三中间描述特征;以及
所述第二处理子模块包括:
第二处理单元,用于计算所述第一中间描述特征和各所述第二中间描述特征之间的相似度,得到与各所述候选对象对应的注意力评估值;
第三处理单元,用于将与各所述候选对象对应的所述注意力评估值和对应的第三中间描述特征进行加权求和,基于加权求和结果得到所述聚合描述特征。
8.根据权利要求7所述的装置,还包括第四处理模块,用于:
根据包括目标节点的对象关系网络,确定与所述目标节点对应的至少一个邻接节点;以及
将各所述邻接节点所表征的对象,作为所述候选对象,
其中,所述目标节点用于表征所述目标对象,所述对象关系网络包括表征对象的多个节点以及表征所述多个节点之间的关联关系的边。
9.根据权利要求7所述的装置,其中,所述第三处理单元包括:
第一处理子单元,用于将与各所述候选对象对应的所述注意力评估值和对应的第三中间描述特征进行加权求和,得到初始聚合描述特征;
第二处理子单元,用于基于残差连接矩阵,对所述初始聚合描述特征进行加权求积,得到加权求积结果;以及
第三处理子单元,用于根据所述第一中间描述特征和所述加权求积结果,得到所述聚合描述特征。
10.根据权利要求8所述的装置,其中,所述第一处理模块包括:
第三处理子模块,用于确定目标对象的至少一个第一初始描述特征;根据各所述第一初始描述特征的特征类型对应的注意力权重,对所述至少一个第一初始描述特征进行聚合,得到第一聚合结果;以及,基于所述第一聚合结果得到所述第一描述特征,其中,所述至少一个第一初始描述特征包括所述目标对象的对象画像特征和所述目标对象与所述对象关系网络的节点表征的除所述目标对象之外的其他对象之间的关联关系特征;
第四处理子模块,用于确定所述至少一个候选对象的至少一个第二初始描述特征;根据各所述第二初始描述特征的特征类型对应的注意力权重,对所述至少一个第二初始描述特征进行聚合,得到第二聚合结果;以及,基于所述第二聚合结果得到所述第二描述特征,其中,所述至少一个第二初始描述特征包括所述至少一个候选对象的对象画像特征和所述至少一个候选对象与其他对象之间的关联关系特征。
11.根据权利要求7至10中任一项所述的装置,其中,所述第三处理模块包括:
第五处理子模块,用于对所述聚合描述特征进行卷积处理,得到针对所述目标对象的目标向量表示,以作为所述对象描述结果。
12.根据权利要求7所述的装置,还包括第五处理模块,用于:
根据所述目标对象的对象描述结果和至少一个其他对象的对象描述结果,确定所述目标对象与各所述其他对象之间的匹配度;以及
将对应匹配度满足预设匹配条件的其他对象,作为针对所述目标对象的对象匹配结果。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1~6中任一项所述的对象描述方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1~6中任一项所述的对象描述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210807314.7A CN115018009B (zh) | 2022-07-07 | 2022-07-07 | 对象描述方法、网络模型的训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210807314.7A CN115018009B (zh) | 2022-07-07 | 2022-07-07 | 对象描述方法、网络模型的训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115018009A CN115018009A (zh) | 2022-09-06 |
CN115018009B true CN115018009B (zh) | 2023-04-07 |
Family
ID=83079950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210807314.7A Active CN115018009B (zh) | 2022-07-07 | 2022-07-07 | 对象描述方法、网络模型的训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115018009B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021159776A1 (zh) * | 2020-02-13 | 2021-08-19 | 腾讯科技(深圳)有限公司 | 基于人工智能的推荐方法、装置、电子设备及存储介质 |
CN113837260A (zh) * | 2021-09-17 | 2021-12-24 | 北京百度网讯科技有限公司 | 模型训练方法、对象匹配方法、装置及电子设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069398A (zh) * | 2020-08-24 | 2020-12-11 | 腾讯科技(深圳)有限公司 | 一种基于图网络的信息推送方法及装置 |
CN113205377A (zh) * | 2021-04-06 | 2021-08-03 | 北京三快在线科技有限公司 | 一种信息推荐的方法及装置 |
CN114611022A (zh) * | 2022-03-03 | 2022-06-10 | 北京三快在线科技有限公司 | 推送展示信息的方法、装置、设备和存储介质 |
-
2022
- 2022-07-07 CN CN202210807314.7A patent/CN115018009B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021159776A1 (zh) * | 2020-02-13 | 2021-08-19 | 腾讯科技(深圳)有限公司 | 基于人工智能的推荐方法、装置、电子设备及存储介质 |
CN113837260A (zh) * | 2021-09-17 | 2021-12-24 | 北京百度网讯科技有限公司 | 模型训练方法、对象匹配方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115018009A (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114357105B (zh) | 地理预训练模型的预训练方法及模型微调方法 | |
CN112580733B (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
CN112231592A (zh) | 基于图的网络社团发现方法、装置、设备以及存储介质 | |
CN114494784A (zh) | 深度学习模型的训练方法、图像处理方法和对象识别方法 | |
CN114036398A (zh) | 内容推荐和排序模型训练方法、装置、设备以及存储介质 | |
US20220130495A1 (en) | Method and Device for Determining Correlation Between Drug and Target, and Electronic Device | |
CN115456167B (zh) | 轻量级模型训练方法、图像处理方法、装置及电子设备 | |
CN113360711A (zh) | 视频理解任务的模型训练和执行方法、装置、设备及介质 | |
CN114494747A (zh) | 模型的训练方法、图像处理方法、装置、电子设备及介质 | |
CN112989170A (zh) | 应用于信息搜索的关键词匹配方法、信息搜索方法及装置 | |
CN114860411B (zh) | 多任务学习方法、装置、电子设备和存储介质 | |
CN115018009B (zh) | 对象描述方法、网络模型的训练方法及装置 | |
CN114707638A (zh) | 模型训练、对象识别方法及装置、设备、介质和产品 | |
CN113761379B (zh) | 商品推荐方法及装置、电子设备和介质 | |
CN114897147A (zh) | 骨干网络的生成方法、装置、设备以及存储介质 | |
CN114756774A (zh) | 出行方案推荐、模型训练方法、装置、设备以及存储介质 | |
CN114357180A (zh) | 知识图谱的更新方法及电子设备 | |
CN113961797A (zh) | 资源推荐方法、装置、电子设备和可读存储介质 | |
CN110362603B (zh) | 一种特征冗余性分析方法、特征选择方法和相关装置 | |
CN114066278B (zh) | 物品召回的评估方法、装置、介质及程序产品 | |
CN117522614B (zh) | 一种数据的处理方法、装置、电子设备及存储介质 | |
CN113572679B (zh) | 账户亲密度的生成方法、装置、电子设备和存储介质 | |
CN116188875B (zh) | 图像分类方法、装置、电子设备、介质和产品 | |
CN115860077B (zh) | 状态数据的处理方法、装置、设备以及存储介质 | |
CN114547448B (zh) | 数据处理、模型训练方法、装置、设备、存储介质及程序 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |